做地形分析这些年，DEM选型一直是个容易让人纠结的问题。全球公开DEM里，ASTER、SRTM、ALOS、哥白尼都被不少人推荐过，可真落到中国区域的高精度地形应用上，我这两年固定用的还是哥白尼全球30米DEM（Copernicus DEM GLO-30），并且会在原始数据之上做一遍系统性优化。今天这篇就把优化后的中国30米高精度DEM数据分享出来，完整交代我为什么要这么选、优化链路怎么设计的、精度验证靠不靠谱，以及拿到数据后最容易被忽略的使用细节。无论是做水文分析、山地灾害评估，还是选址规划、户外三维可视化的同学，都建议耐心看完。
很多人选DEM只看"米数"，觉得30米一定比90米强，其实真正的差距在垂直精度。哥白尼DEM基于雷达干涉测量任务生成，两套天线同时观测地表，提取出的高程信息整体噪声更低、连续性好。在中国区域的中低起伏地形上，标称垂直精度基本能到10米以内（按LE90统计），换算成RMSE大约4~6米，这和早期SRTM、ASTER的数据相比，已经有代差优势。更关键的是，它的全球一致性明显更好，做跨区域拼接时不必担心相邻数据源之间的系统偏差。
这次分享的"优化版"，并不是我重新造了一套高程模型，而是以哥白尼GLO-30为底图，重点解决原始切片在中国区域的空洞、条带噪声、水体高程异常和接缝跳变问题。处理完的数据在可视化和工程分析里都更省心，打开就能直接参与计算，不用再做繁琐的预处理。
1. 为什么哥白尼GLO-30在我的选型表里排第一
1.1 垂直精度带来的优势不是玄学
地形分析的源头数据只要误差稍大，后面所有衍生结果都会被放大。比如提取坡度时，高程误差每增大1米，坡度计算误差可能增大到好几度；而汇水积累、径流路径对地形起伏方向又格外敏感，一个几十米的高程异常就可能让河道改道。
SRTM数据虽然经典，但它的采集时间是2000年，山区存在雷达阴影和空洞后在回填时用了较粗的插值，局部地区垂直误差明显偏大。ASTER GDEM由多时相光学立体影像拼接而成，最大的问题是云、雪和阴影导致的噪声和异常值，在东南丘陵、西南山区这种植被茂密区域，经常会出现成片的伪坑和土包。ALOS AW3D30精度表现很好，波段覆盖广，但在印度、东南亚等区域拼接缝明显，中国西部地区的条带问题也不可忽视。哥白尼GLO-30在整体平衡性上最好，雷达数据不受云层干扰，可以穿透一定植被冠层，得到更接近地表的高度。
1.2 一张表看懂几个主流DEM的实际差距
| 数据源 | 标称分辨率 | 常见垂直精度（LE90） | 覆盖范围 | 观测时段 | 获取成本 |
|---|---|---|---|---|---|
| 哥白尼GLO-30 | 30米 | 约10米 | 全球 | 2011—2015年 | 免费 |
| SRTM 1弧秒 | 30米 | 约16米 | 北纬60°至南纬56° | 2000年 | 免费 |
| ASTER GDEM | 30米 | 约17—20米 | 全球 | 多时相拼接 | 免费 |
| ALOS AW3D30 | 30米 | 约5米（区域差异大） | 全球 | 2006—2011年 | 免费 |
注意ALOS的标称精度确实高，但它的全球一致性稍弱，在中国西部高山区和部分低纬度地区，拼接缝附近的高程差值可以达到十几米。哥白尼GLO-30在极端地形下的表现更稳定，这也是它适合作为全国范围统一高程底座的根本原因。
1.3 既然全球数据已经可用，为什么还要单独做中国区域优化
先说明一个朋友经常问的问题：原始哥白尼GLO-30已经全球覆盖，直接下载用不行吗？答案是可以，但很折腾。
首先，GLO-30按经纬度分幅分发，中国区域要跨几十个图幅。每个图幅虽然来自同一套产品，但相邻瓦片之间仍有细微的高差跳变，直接拼接后会在边界形成线性台阶。这种台阶在整体渲染时不太起眼，一旦提取坡度坡向或做流域切割，就会变成密集的假山脊。
其次，原始数据在中国高山区和太湖水系周边存在局部空洞、异常负值和锯齿状纹理。整幅看比例不大，放到局部工程里，可能正好卡在坝址、道路或房屋选址点上。做优化处理，本质上是把这些"高级数据里的低级问题"清理干净，让使用者把精力放在业务模型上，而不是死磕数据预处理。
2. 原始哥白尼DEM在中国区域最容易踩的四个坑
2.1 空值不是"没有数据"，而是雷达没有拿到有效回波
这是很常见的坑。雷达干涉测量在陡崖、深切河谷、水面和强反射区，会发生相位失相干，最终会留下大块空值区。很多软件在读取DEM时会把空值当成0米、-9999米甚至某个小数，导致后续计算完全不收敛。
我见过有人直接用原始DEM做淹没分析，结果河道中心戳出一圈负三万米的深坑，计算范围直接崩了。更隐蔽的是，一些软件默认把空值设为0米，在西部高山区直接把高程整体拉低了几千米，坡度坡向全盘失真。所以拿到原始数据后，第一件事必须检查NoData掩膜，并且要在填洞前做一次边缘膨胀，因为空洞边界常常有一圈"半可靠"的高程，直接插值会把这些半污染值一并带进结果。
2.2 水体区域的高程混乱不是小概率事件
雷达信号在水面上反射很弱，且受风浪影响严重，导致水体的高程经常出现异常。哥白尼产品虽然有水体掩膜辅助，但实际水面仍然存在两种情况：一是水面被抬高了几米，呈凸起状；二是湖岸边出现一道"环状高坎"，看起来像堤坝，实际上是水面高程与陆地参考面不匹配造成的。
这种问题对防洪、淹没分析是致命的。如果DEM中水面本身凹凸不平，计算出的淹没边界会呈锯齿状，甚至出现"湖水漫到一边、另一边干旱"的假象。我的处理流程里会专门做水面修复：找出水体区域，统计邻域水面高度，把异常像元压平到参考水面，再对岸线周边做过渡平滑。
2.3 轨道条带噪声让地形纹理看起来像"拉丝"
雷达数据由多个轨道拼接而成，不同轨道虽然做过匹配校正，但在高山峡谷、坡度突变区域仍然会留下方向性纹理。放大看就像一块金属表面被拉出细密的丝，肉眼还能凑合接受，等提取坡度图或者山体阴影图时，规律性的亮暗条纹就藏不住了。
这种条带不能用普通低通滤波硬压。低通滤波会把山脊线和河谷的真实形态一起磨平。正确做法是先做低频地形提取，得到残差，再只针对残差里方向性明显的条纹分量做削减，最后把削减后的残差加回去。这样能在压制条纹的同时保住地形细节。
2.4 海岸线附近的高程错位一样要管
虽然标题是陆地DEM，但中国有很长的海岸线和大量海岛区域。雷达参考面与潮汐参考面存在系统性差异，导致海陆交界处经常出现负高程或错位台阶。有的地方陆地高程突然变成-5米，有的地方海面上却冒出几个"人工岛"。
做海岸带分析、海岛三维可视化和近岸淹没模拟的人，如果直接拿原始DEM来用，基本会在海岸线上翻车。我的处理方法是引入海岸线掩膜，对陆地一侧做高程修正，同时对海面区域统一压到0米或按需保留负值，再把岸线周边做一圈低强度平滑。
四个坑看起来不大，但任何一个都可能让下游计算崩盘。它们不像数据下载失败那样容易被发现，而是潜藏在结果里，等业务模型给出一个看似合理但其实方向错误的答案。
3. 我的优化链路：从空洞检测到条带噪声压制
这一节是全文最核心的部分，整个处理流程我拆成五步，每一步都有明确的输出物和校验方式。
3.1 第一步：把NoData和粗差统一标记出来
先用栅格工具读取出整个区域的DEM数组，把空值、异常负值、极低质量值统一标记为"待处理区"。需要注意的是，不要只标记NoData本身，还要把极端高程值也纳入异常检测。比如某个像元高程比周围邻域均值低几百米，或者高出几百米，即使它本身不是NoData，也应该视为粗差。
实践中，我会对原始NoData掩膜做一次向外膨胀，通常膨胀3至5个像元。这样做的好处是，空洞边缘那圈"半可靠"数据也会被纳入待处理区，插值时就不会被这些劣质边缘值带偏。这里基于常见实践做一个补充说明：如果你使用的工具不支持膨胀操作，也可以用邻域统计方法，把邻域内有效像元占比低于90%的点全部标记为可疑点。
3.2 第二步：按地形类型选择插值策略，而不是一把梭
填洞最怕的就是"一刀切"。把平原和山地用同一种插值方法处理，结果一定是平原出现鼓包、山地出现阶梯。
我的方案是把待处理区按坡度分成三类：
- 平缓区（坡度小于3度）：使用邻域均值加中值滤波，优先保证高程过渡自然。
- 中起伏区（坡度3度到15度）：使用反距离加权插值，同时参考周围多个方向的高程趋势。
- 陡峭区（坡度大于15度）：使用带坡度趋势约束的插值器，确保填补后的高程与周边山体走向一致，不会在悬崖边上造出反向斜坡。
这样做的好处很明显：填补后的地形不会出现"平台上突然冒尖"或者"山谷里多了一段反向坡"的反常形态。以我处理过的西部高山峡谷样区为例，优化前陡坡区空洞周边的高程跳变经常超过30米，优化后控制在5米以内，而且视觉上完全看不出插值痕迹。
3.3 第三步：用残差法压制条带噪声，而不是直接模糊
条带噪声和真实地形叠加在一起，直接去掉很难。我常用的方法是残差分解：
- 对DEM做一次窗口较大的局部低频提取，比如使用25×25窗口的中值滤波或高斯低通，得到低频地形。
- 用原始DEM减去低频地形，得到残差图。残差图里包含高频地形细节，也包含条带噪声和随机噪声。
- 在残差图上检测方向性纹理。具体做法是沿着多个角度计算灰度共现或梯度统计，找到主导纹理方向。
- 只削减主导方向上的残差分量子，保留其他方向的细节。
- 把处理后的残差加回低频地形，得到最终降噪结果。
这种方法比直接做整体滤波科学得多。直接低通滤波会把山脊、河谷的细节全部磨掉，而残差法只动"噪声方向"，真实的地形高频信息能保留九成以上。优化完成后的坡度图，几乎看不到原来的木纹状条纹，但等高线的弯曲形态依然清晰。
3.4 第四步：水体修复和跨瓦片接缝匀色
水体修复分为两个动作：
- 水面压平。结合水体掩膜，统计水体覆盖范围内高程的众数或中位数，把明显高于这个基准的像元压低，再用小窗口平滑让水边线自然过渡。
- 岸线修正。对紧贴水面的一圈陆地像元做高程检查，若高差超过设定阈值，则按过渡带处理，避免出现"环状高坎"。
跨瓦片拼接匀色相对简单：相邻瓦片重叠区做渐入渐出的加权融合，融合范围建议设定为重叠区内的若干像元，这样能保证边界位置没有台阶感。需要提醒的是，匀色不是把两张图平均一下完事，而是在拼接前先把两个瓦片的高程统计量（均值、标准差）对齐，再做融合，否则会出现"阴一半晴一半"的双重纹理。
3.5 第五步：输出格式、坐标系和分片命名
优化后的数据我统一输出为GeoTIFF格式，坐标系保持WGS84经纬度，高程单位是米，NoData值显式设置为-9999。每个分片同时生成金字塔概览，这样在桌面GIS里缩放不会卡顿。
分片命名逻辑建议带上区域和生产日期，比如cop30m_chn_区域代号_v202406.tif。在实际项目里，我不建议一次性打包一个超大全国文件，因为桌面软件加载会非常吃力。按区域分片，使用者按需下载，才是更合理的分享方式。
4. 优化后数据是否可信：我用的三重校验
数据优化完不能直接宣称"精度很高"。不管处理链路设计得多漂亮，都必须有可量化的验证过程。我这套数据校验分成三个层次，缺一不可。
4.1 第一重：内部一致性检查
把优化前后的DEM做差值统计，生成一张差异栅格图。检查目标很简单：
- 差值分布是否集中在某个合理区间内？
- 是否存在异常的大范围偏移？
- 优化后的坡度、坡向图是否还残留条带？
通常优化后差异栅格的标准差会明显小于原始数据噪声水平。比如某片区域原始局部高程抖动达到8米，优化后应降到3米以内。同时要看差异栅格的空间分布，不能出现某条轨道覆盖范围内全部被大幅修改的情况，那说明条带处理过头了。
内部一致性检查还会统计空洞回填率。比如原始数据某区域空洞面积占5%，优化后应降为0%。同时记录填补区域的面积占比，方便后续使用者评估这些区域的不确定性。
4.2 第二重：与高精度参考点对比
内部看起来顺滑，不意味着数值接近真实地形。还需要外部参考数据。在可获得的区域里，我整理了一批高精度实测点、已知的固定站数据和多条GNSS轨迹数据，从中提取优化前后的高程值，计算差值。
对比时按地形类型分组：
- 平原区：高程差均值应接近0米，标准差控制在2米以内。
- 丘陵区：高程差标准差控制在5米以内。
- 高山区：高程差标准差可以放宽到8米左右。
这里要注意一个原则：修复区域的统计结果不能与原数据区域内统计结果差太多。如果修复区域误差明显偏大，说明插值策略有问题；如果修复区域和原始区域误差接近，说明优化没有引入新的系统性偏差。我在部分样区测下来的结果是，优化后整体LE90依然在10米内，修复区域和未修复区域没有统计上的显著差异。
4.3 第三重：面向应用的反向验证
数字指标达标了，最终还要看真实业务能不能用。
我会用优化后的DEM做三类典型应用测试：
- 水文分析：提取河流网络，检查河道是否连续，有没有因为空值或异常高程导致河道莫名其妙断裂。
- 坡度坡向提取：生成坡度图，肉眼检查是否存在规律性方向的条纹，再对比原始数据，确认山脊线没有位移。
- 可视域分析：选取若干高点做视域计算，看山顶点、谷底点、鞍部的相对关系是否符合基本地学常识。
这类验证的好处是，它抓住了"数据用于业务后是否合理"这一层，而不是只盯着单点误差。实际测下来，优化后的河道连续性明显好过原始数据，那些原本被空洞截断的水流都能自然汇入主干河道，说明空洞填补的质量是可靠的。
5. 拿到数据后的一些使用建议与避坑经验
5.1 坐标系和投影别用错，否则坡度直接失真
不少朋友拿到DEM后，习惯在Web墨卡托投影下直接计算坡度坡向，结果高纬度地区坡度被夸张放大，山体变得极其险峻。这不是DEM的问题，而是投影变形导致的。
我的建议是：做全国或大区域范围概览时，可以用WGS84经纬度坐标直接渲染；但如果做坡度、坡向、流域分析这类对方向和距离敏感的计算，务必先转到当地最合适的平面投影坐标系。通常在中国区域可以选择高斯-克吕格投影或合适的UTM分带，中央子午线要和目标区域经度对应起来。跨度大的区域建议按带拆分处理，不要强行用一个投影覆盖全国。
5.2 重采样分辨率要克制，别指望插值变出细节
优化数据原始分辨率是30米。有人为了视觉好看，在ArcGIS里直接重采样到5米，然后渲染出非常"高清"的地形图。这种图看着舒服，但那些细腻变化都是插值算出来的，不是真实地形，做工程分析时没有任何增益。
我的习惯是：区域尺度分析直接用30米；若模型需要更细网格，可以重采样到15米或20米，算法选择双线性内插或立方卷积；极端追求平滑效果可以用中值重采样，但注意它会改变地形细节。千万不要为了"更细"而无脑加密，那样只会增加计算负担，不会提升精度。
5.3 坡度算法别默认一把梭，Horn算法通常更稳
很多GIS软件的坡度计算默认是基于简单差分，在平原地区容易生成大量伪坡度，比如水田地区出现3度到5度的"假斜坡"。针对这种情况，推荐使用Horn算法（八邻域加权）来计算坡度，它在起伏地形的表现更接近真实情况。
同时，在坡度图拉伸显示时，建议把0到2度的范围单独设色，不要和2度以上的区域混在一起，否则平地区域的地形噪声会被明显放大。很多人做完坡度图觉得"怎么到处都是坡"，其实不一定是数据问题，而是渲染方案问题。
5.4 应用场景扩展：水文、灾害、选址都能用
优化后的DEM最直接的应用就是水文分析。之前用原始数据跑水文模型，经常出现小支流中断、主河道偏移的问题；换成优化数据后，流向连续，子流域边界稳定，模型参数调试效率高了很多。山地灾害评估方面，坡度、坡向、地形起伏度这些基础因子都可以直接提取，不需要再额外修数据。选址规划也能用，比如建筑选址、光伏选址，前期用DEM看坡度分级和坡向分布，能省掉大量现场踏勘的试错成本。
5.5 最后再分享一个小技巧
很多人在拿到DEM后习惯直接加载到三维场景里看效果，但如果发现山体出现"搓衣板"纹理，可以先查看是否是显示分辨率设置太低，或者渲染时采样的像素间距太大。排除了这两个因素，才需要考虑数据本身是否有条带问题。这套优化数据在常规三维场景下不需要额外滤波，但每个软件的重采样方式不同，极偶尔还是会出现轻微锯齿。遇到这种情况，把显示采样改为双线性，通常就能解决。
我现在的主要工作流基本固定了：原始哥白尼GLO-30作为基础输入，先做空洞与粗差修复，再做条带压制和水体处理，最后拼接匀色。整个流程跑下来，不仅图面干净，后续的计算结果也更稳定。这套优化后的中国区域30米DEM，不管自己用还是分享给同行，都能明显缩短从"拿到数据"到"产出结论"之间的路径。希望这篇梳理对你也有参考价值。
